Téléchargement AutoDL Projects - Téléchargement du code source AutoDL Projects

AutoDL Projects

Python

1.0.0

Télécharger

Les projets automatisés d'apprentissage en profondeur (Autodl-Projects) sont un projet open source, léger mais utile pour tout le monde. Ce projet a mis en œuvre plusieurs algorithmes de recherche d'architecture neurale (NAS) et d'optimisation hyper-paramètre (HPO). 中文介绍见 readme_cn.md

Qui devrait envisager d'utiliser des projets autodl

Débutants qui souhaitent essayer différents algorithmes Autodl
Les ingénieurs qui souhaitent essayer Autodl pour déterminer si Autodl fonctionne sur vos projets
Des chercheurs qui souhaitent mettre en œuvre et expérimenter facilement de nouveaux algorithmes Autodl.

Pourquoi devrions-nous utiliser des projets autodl

Dépendances simples de la bibliothèque
Tous les algorithmes sont dans la même base de code
Entretien actif

Capacités de projets autodl

En ce moment, ce projet fournit les algorithmes et scripts suivants pour les exécuter. Veuillez consulter les détails du lien fourni dans la colonne description.

Taper	Abbrv	Algorithmes	Description
Nas	Tas	Élagage du réseau via une recherche d'architecture transformable	Nererips-2019-tas.md
	Fléchettes	Fléchettes: recherche d'architecture différenciable	ICLR-2019-DARTS.MD
	GDA	Recherche d'une architecture neuronale robuste en quatre heures GPU	Cvpr-2019-gdas.md
	Set	Recherche d'architecture neuronale à un coup via un réseau de modèle auto-évalué	ICCV-2019-Setn.md
	NAS-BENCH-2010	NAS-BENCH-2010: Extension de la portée de la recherche d'architecture neuronale reproductible	NAS-BENCH-201.MD
	Nats-banc	Nats-Bench: Algorithmes NAS d'analyse comparative pour la topologie et la taille de l'architecture	Nats-bench.md
...	Enas / rea / renforce / bohb	Veuillez vérifier les papiers originaux	NAS-BENCH-201.MD NATS-BENCH.MD
HPO	Hpo-cg	Optimisation de l'hyperparamètre avec un gradient approximatif	à venir
Basique	Resnet	Classification d'image basée sur l'apprentissage en profondeur	Baseline.md

Exigences et préparation

Tout d'abord , veuillez utiliser pip install . Pour installer la bibliothèque xautodl .

Veuillez installer Python>=3.6 et PyTorch>=1.5.0 . (Vous pouvez utiliser des versions inférieures de Python et Pytorch, mais peut avoir des bogues). Certains codes de visualisation peuvent nécessiter opencv .

Cifar et ImageNet doivent être téléchargés et extraits dans $TORCH_HOME . Certaines méthodes utilisent la distillation des connaissances (KD), qui nécessitent des modèles pré-formés. Veuillez télécharger ces modèles à partir de Google Drive (ou s'entraîner par vous-même) et enregistrer dans .latent-data .

Veuillez utiliser

 git clone --recurse-submodules https://github.com/D-X-Y/AutoDL-Projects.git XAutoDL

Pour télécharger ce dépôt avec des sous-modules.

Citation

Si vous constatez que ce projet aide vos recherches, veuillez envisager de citer l'article connexe:

 @inproceedings{dong2021autohas,
  title     = {{AutoHAS}: Efficient Hyperparameter and Architecture Search},
  author    = {Dong, Xuanyi and Tan, Mingxing and Yu, Adams Wei and Peng, Daiyi and Gabrys, Bogdan and Le, Quoc V},
  booktitle = {2nd Workshop on Neural Architecture Search at International Conference on Learning Representations (ICLR)},
  year      = {2021}
}
@article{dong2021nats,
  title   = {{NATS-Bench}: Benchmarking NAS Algorithms for Architecture Topology and Size},
  author  = {Dong, Xuanyi and Liu, Lu and Musial, Katarzyna and Gabrys, Bogdan},
  doi     = {10.1109/TPAMI.2021.3054824},
  journal = {IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)},
  year    = {2021},
  note    = {mbox{doi}:url{10.1109/TPAMI.2021.3054824}}
}
@inproceedings{dong2020nasbench201,
  title     = {{NAS-Bench-201}: Extending the Scope of Reproducible Neural Architecture Search},
  author    = {Dong, Xuanyi and Yang, Yi},
  booktitle = {International Conference on Learning Representations (ICLR)},
  url       = {https://openreview.net/forum?id=HJxyZkBKDr},
  year      = {2020}
}
@inproceedings{dong2019tas,
  title     = {Network Pruning via Transformable Architecture Search},
  author    = {Dong, Xuanyi and Yang, Yi},
  booktitle = {Neural Information Processing Systems (NeurIPS)},
  pages     = {760--771},
  year      = {2019}
}
@inproceedings{dong2019one,
  title     = {One-Shot Neural Architecture Search via Self-Evaluated Template Network},
  author    = {Dong, Xuanyi and Yang, Yi},
  booktitle = {Proceedings of the IEEE International Conference on Computer Vision (ICCV)},
  pages     = {3681--3690},
  year      = {2019}
}
@inproceedings{dong2019search,
  title     = {Searching for A Robust Neural Architecture in Four GPU Hours},
  author    = {Dong, Xuanyi and Yang, Yi},
  booktitle = {Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  pages     = {1761--1770},
  year      = {2019}
}